Blog Archives
Klasifikasi Citra Retina untuk Deteksi Microaneurisme Menggunakan KNN Berbasis Ekstraksi Ciri LBP dan Wavelet
Microaneurisme merupakan salah satu tanda awal retinopati diabetik yang muncul pada citra retina sebagai titik-titik kecil berwarna merah. Deteksi dini microaneurisme sangat penting untuk mencegah kerusakan penglihatan yang lebih parah. Pada penelitian ini, dibuat sebuah sistem klasifikasi citra retina dengan dua kelas keluaran: microaneurisme dan non microaneurisme.
Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan jumlah tetangga (k) = 5. Untuk mendapatkan ciri (fitur) yang representatif, citra diekstraksi menggunakan Local Binary Pattern (LBP) dan transformasi wavelet Daubechies. Hasil dari penelitian ini diharapkan dapat membantu proses diagnosis awal secara otomatis, cepat, dan akurat.
-read more->Klasifikasi Tingkat Kematangan Pada Tanaman Cabai Rawit (Capsicum Frutescens) Berdasarkan Fitur Warna Dengan Metode Support Vector Machine (SVM)
Cabai rawit (Capsicum frutescens) merupakan salah satu komoditas hortikultura yang memiliki peran penting dalam industri pangan. Penentuan tingkat kematangan cabai berpengaruh langsung terhadap kualitas produk dan nilai jual. Dalam praktiknya, sortasi cabai di lapangan masih banyak dilakukan secara manual oleh petani atau pekerja sortasi dengan mengandalkan penglihatan manusia. Metode manual ini rawan kesalahan karena faktor kelelahan, pencahayaan yang tidak seragam, serta perbedaan persepsi warna. Oleh karena itu, diperlukan sistem otomatis berbasis pengolahan citra yang mampu memberikan hasil klasifikasi yang konsisten.
Pengolahan Citra Digital: Mengubah Dunia Melalui Pemrosesan Visual
Pengolahan citra digital adalah suatu bidang ilmu yang mengacu pada teknik-teknik dan metode-metode untuk memanipulasi dan menganalisis gambar atau citra secara digital. Bidang ini telah membawa perubahan revolusioner dalam berbagai sektor, termasuk komputer, teknologi medis, industri, robotika, pertanian, dan banyak lagi. Dalam artikel ini, kita akan menjelajahi konsep-konsep dasar dalam pengolahan citra digital, serta penerapannya yang luas dalam kehidupan sehari-hari.
Thresholding Citra
Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bidang dua dimensi. Berdasarkan jenis warnanya, citra dapat dikelompokkan menjadi tiga jenis yaitu citra RGB, citra grayscale, dan citra biner.
|
Citra RGB |
Citra Grayscale |
Citra Biner |
 |
 |
 |
Citra RGB merupakan citra yang tersusun oleh tiga kanal warna yaitu kanal merah, kanal hijau, dan kanal biru. Pada citra RGB 24-bit, masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8 = 256 derajat warna (0 s.d 255). Setiap piksel pada citra RGB memiliki nilai intensitas yang merupakan kombinasi dari nilai R, G, dan B. Variasi warna pada setiap piksel pada citra RGB adalah sebanyak 256 x 256 x 256 = 16.777.216.
Ekstraksi Ciri Citra RGB
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan proses ekstraksi ciri dari citra rgb. Ciri yang diekstrak adalah berupa ciri statistik dan ciri bentuk. Pada contoh ini digunakan citra fish.jpg di mana foreground adalah berupa ikan sedangkan background adalah berupa air.
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca dan menampilkan citra asli
clc;clear;close all;
Img = imread('fish.jpg');
figure, imshow(Img), title('original image');
sehingga diperoleh tampilan:
Segmentasi Citra dengan Metode Multi Thresholding dan K-Means Clustering
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan segmentasi citra dengan menggunakan dua buah metode yang berbeda. Metode yang pertama yaitu multi thresholding, sedangkan metode yang kedua adalah k-means clustering. Segmentasi dilakukan terhadap citra rose.jpg yang ditunjukkan pada gambar di bawah ini.
rose.jpg
Jaringan Syaraf Tiruan Untuk Pengenalan Pola
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk mengklasifikasi bentuk suatu objek dalam citra digital menggunakan algoritma jaringan syaraf tiruan propagasi balik (backpropagation neural network).
Pada contoh ini dilakukan pengklasifikasian terhadap bentuk segi-3, segi-4, dan segi-5. Ciri yang digunakan untuk membedakan ketiga jenis bentuk tersebut adalah metric dan eccentricity.
Metric merupakan nilai perbandingan antara luas dan keliling objek. Sedangkan eccentricity merupakan nilai perbandingan antara jarak foci ellips minor dengan foci ellips mayor suatu objek. (Materi mengenai ekstraksi ciri lebih lanjut dapat dilihat pada laman berikut ini: Ekstraksi Ciri Citra).
Langkah-langkah pemrograman matlab untuk mengklasifikasi bentuk suatu objek dalam citra digital menggunakan matlab adalah sebagai berikut:
1. Menyiapkan data latih untuk proses pelatihan (training). Pada proses ini digunakan 45 citra data latih yang terdiri dari 15 citra segi-3, 15 citra segi-4, dan 15 citra segi-5.
Ekualisasi Histogram pada Citra Digital
Histogram Citra merupakan diagram yang menunjukkan distribusi nilai intensitas cahaya pada suatu citra. Pada histogram, sumbu-x menyatakan nilai intensitas piksel sedangkan sumbu-y menyatakan frekuensi kemunculan piksel. Dalam bidang pengolahan citra digital, terkadang perlu dilakukan pre-processing yang merupakan proses perbaikan kualitas citra dengan tujuan untuk memudahkan manusia atau komputer untuk merepresentasikan citra. Salah satu metode perbaikan kualitas citra adalah perataan histogram atau yang sering disebut sebagai histogram equalization.
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan ekualisasi histogram citra secara manual.
Langkah-langkahnya adalah:
1. Membaca citra grayscale
clc;clear;close all; I = imread('pout.tif'); figure, imshow(I); title('Original Image')
Pengolahan Citra Digital untuk Deteksi Tepi Obyek
Berikut ini merupakan contoh aplikasi pemrograman matlab untuk mendeteksi objek dalam citra digital menggunakan metode deteksi tepi roberts.
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca citra asli
-read more->
Algoritma k-means clustering dan Naive Bayes classifier untuk Pengenalan Pola Tesktur
K-means Clustering merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
Sedangkan Naive Bayes Classifier merupakan salah satu metode machine learning yang memanfaatkan perhitungan probabilitas dan statistik. Metode ini dikemukakan oleh ilmuwan Inggris yaitu Thomas Bayes untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya.
Berikut ini merupakan contoh aplikasi pemrograman matlab (menggunakan Matlab R2015b) mengenai pola tekstur citra menggunakan algoritma k-means clustering dan naive bayes classifier. Citra yang digunakan adalah citra tekstur Brodatz sejumlah 112 buah seperti tampak pada gambar di bawah ini:
Pemrograman Matlab 